Sentiment Analysis of Twitter Users during the 12-Day Iran-Israel War: A Psychological Approach
Notice bibliographique
Résumé
Background: Social networks, especially Twitter, have become an effective platform for reflecting the views of individuals and elites on world political and social events.The aim of this study was to psychologically analyze Twitter users' reactions to the 12-day Iran-Israel war (June 2025) with a focus on the constructs of action guides (HBM) and subjective norms (TPB).Materials: To ensure credibility and reduce noise, 3,367 tweets were selected from a total of 35,428 tweets posted by verified accounts between June 14 and 25 and analyzed using the fuzzy classifier Eclass1-MIMO.Results: The results indicated that 44% of the tweets were negative, 46% were neutral, and only 10% were positive.The findings showed that regions with a history of social and historical tensions exhibited the highest proportion of negative sentiments, while positive tweets often contained Cues to Action, which were shared 2.3 times more frequently.Additionally, tweets based on Subjective Norms, emphasizing social acceptance or rejection, achieved the highest engagement rates. Conclusion:The study highlights the critical role of verified influencers in shaping public sentiment and the potential dangers of unchecked information flow in polarized environments.It recommends that media policymakers and platforms enhance their content verification mechanisms, issue clear warnings on risky content, and promote messages aligned with constructive norms to counter misinformation and foster public trust in times of crisis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».